本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：工作論文
- 編號：工作論文 #699
- 日期：2026-03-18
摘要
我們提出了一種新演算法，用於發現時間序列和其他順序資料中的模式。我們展示了一個可靠的過程，用於建立最小的隱藏馬可夫狀態集，該狀態在統計上能夠產生資料中所展示的行為——底層過程的因果狀態。與將隱馬可夫模型 (HMM) 擬合到資料的傳統方法不同，我們的演算法不對過程的因果架構（隱藏狀態的數量及其轉換結構）做出假設，而是從資料中推斷出來。它從最小結構的假設開始，僅在資料需要時才引入複雜性。此外，它推斷的因果狀態具有傳統 HMM 狀態所缺乏的重要預測最適性特性。在第一部分中，我們介紹演算法，回顧背後的理論，證明其漸近可靠性，並使用大偏差理論來估計其收斂速度。在接下來的第二部分中，我們概述了該演算法的實現，說明了其發現「困難」模式的能力，並將其與各種替代方案進行了比較。